C3L يكسر حلقة انجراف التفسيرات في التعلّم المستمر: 5 اختبارات معيارية وأكثر من 20 خط أساس

عادةً ما يُقاس النسيان الكارثي في التعلّم المستمر (continual learning) بانخفاض الدقة في المهام القديمة. لكن الباحثين Yehonatan Elisha وOren Barkan وNoam Koenigstein من جامعة تل أبيب يرون أن هذا المقياس يكشف جزءًا فقط من المشكلة. فقد يحتفظ النموذج بمقاييسه السابقة، ومع ذلك لا ينظر إلى منقار الطائر، بل إلى غصن أو إلى الخلفية. أطلقوا على ذلك اسم انجراف التفسيرات (explanation drift)، واقترحوا طريقة C3L التي اختُبرت على 5 اختبارات معيارية مقابل أكثر من 20 نهجًا أساسيًا.

حلقة تغذّي نفسها بنفسها

تعمل طرق التعلّم المستمر القائمة التي تراعي التفسيرات على النحو التالي. تُؤخذ خريطة أهمية البكسلات (saliency map) للنموذج الذي دُرّب على المهمة السابقة. ثم يُطلب من الشبكة، أثناء التدريب على المهمة الجديدة، ألا تبتعد كثيرًا عن هذه الخريطة. يبدو ذلك منطقيًا، لكن المؤلفين يشيرون إلى عيب بنيوي: هدف التنظيم يُحسب من النموذج نفسه. فإذا تسرّب الانتباه إلى الخلفية في خريطة المهمة الأولى، يتجمّد هذا الانتباه ويصبح مرجعًا للمهمة التالية. وفي كل خطوة يُنسخ الخطأ ويتضخّم. يسمّي الباحثون ذلك حلقة الانجراف ذاتية المرجعية (self-referential drift loop).

المشكلة دقيقة. فالدقة لا تنخفض، ولا يظهر التفسير المعطوب بأي شكل. وهذا سيناريو خطير في التشخيص الطبي والرقابة الصناعية وأي نظام تهمّ فيه معرفة سبب إصدار النموذج لإجابته.

مفاهيم بدل البكسلات

تكسر C3L (Concept-Consistent Continual Learning) هذه الحلقة بأخذ أهداف التنظيم من خارج النموذج. فبدلًا من خرائط الأهمية الخاصة بالشبكة، تستخدم الطريقة مفاهيم دلالية متسقة على مستوى الفئة كلها. ومن أمثلة الورقة: «المنقار المعقوف» و«النمط المخطط». تُستخرج المفاهيم دون اتصال بالإنترنت (offline)، ولا تتأثر بالتغيّرات التي طرأت على النموذج أثناء التدريب. وهذا يمنح خاصيتين:

• استقلال الهدف عن انجراف النموذج: فالمرجع لا يفسد مهما بلغ عدد المهام التي مرّت بها الشبكة؛
• الاتساق الدلالي بين الحالات: إذ يُطبَّق المفهوم نفسه على جميع أفراد الفئة، لا على كل فرد بطريقة مختلفة.

وثمة تفصيل مهم: لا تتطلب C3L مفاهيم يسمّيها البشر. فالبحث عن المفاهيم وربطها مكانيًا بمناطق الصورة مؤتمتان بالكامل. وهذا يزيل الاعتراض العملي الرئيسي على الطرق القائمة على المفاهيم، إذ يُعدّ قاموس السمات فيها عادةً يدويًا.

أثر الإزاحة

يصف المؤلفون آلية جانبية يعدّونها هم أنفسهم من أهم النتائج. تُدمج الطريقة مع الحفظ التقريبي للأهمية في LRP (layer-wise relevance propagation). فمجموع الأهمية المنسوبة إلى تنبؤ محدد محدود. وتتقاسم مناطق المفاهيم والخلفية «الميزانية» نفسها. فإذا أُجبرت الشبكة على تركيز أهمية عالية في مناطق المفاهيم، يبقى للخلفية قدر أقل. وهكذا تُكبح الارتباطات الزائفة دون عقوبة مستقلة عليها، وهذا هو ما يسمى أثر الإزاحة (crowding-out effect).

الخلاصة العملية: لا حاجة إلى معرفة مسبقة بالسمات الزائفة التي ستظهر. يكفي تحديد هدف إيجابي صحيح.

ما الذي قيس

يعلن المؤلفون تحقيق أفضل النتائج (state-of-the-art) في خمسة محاور في آن واحد:

• الدقة في مهام التعلّم التسلسلي؛
• درجة النسيان؛
• جودة التفسيرات؛
• تخفيف الارتباطات الزائفة؛
• المتانة أمام البيانات خارج التوزيع (out-of-distribution).

جرت المقارنة على 5 اختبارات معيارية مع أكثر من 20 طريقة أساسية. أما أرقام التحسّن المحددة فمن الأفضل الاطلاع عليها في الورقة نفسها (arXiv 2610.33877)، لكن مجموعة المقاييس تعكس نية واضحة: المقارنة لا تقتصر على «كم يتذكر النموذج»، بل تشمل «لأي أسباب يتخذ قراره».

أين يفيد ذلك

تحصل الفرق التي تواصل تدريب النماذج البصرية على تدفق من البيانات الجديدة على أسلوب يمكن التحقق منه. ومن الأمثلة الفحص في المصانع والتصوير الطبي والمراقبة. اختبار بسيط: بعد كل جولة تدريب إضافية، لا تقارنوا الدقة وحدها، بل أيضًا توزيع الأهمية بين مناطق الكائن والخلفية. فإذا ازداد وزن الخلفية، فهذه إشارة إلى انجراف التفسيرات، حتى حين تبقى المقاييس مستقرة.

والقيود واضحة أيضًا. يعتمد النهج على جودة البحث التلقائي عن المفاهيم وربطها بالصورة. وقد وُصف العمل على مهام تصنيف الصور، أما نقله إلى أنماط بيانات أخرى (modalities) فسيحتاج إلى تحقق منفصل. لكن فكرة نقل مرجع التنظيم إلى خارج النموذج تنطبق على نطاق أوسع من التعلّم المستمر.